这个包是一个Matlab实现的算法描述在书:模式识别和机器学习由C. Bishop (PRML)。
此包的回购地址为:https://github.com/PRML/PRMLT
如果你发现一个bug或者有一个特性请求,请在那里提交问题。我通常不会在这里检查评论。
本规范的设计目标如下:
简洁:代码非常简洁。最小化代码行数是首要目标之一。因此,可以很容易地发现算法的核心。
高效:许多使Matlab脚本快速的技巧被应用(例如。向量化和矩阵分解)。许多函数甚至可以与C实现相媲美。通常,这个包中的函数比提供相同功能的Matlab内置函数(例如。kmeans)。如果有人发现任何比我更快的Matlab实现,我很乐意进一步优化。
鲁棒性:应用了许多数值稳定性技术,如对数尺度概率计算以避免数值底流和溢出,对称矩阵的平方根形式更新等。
易于学习:代码有大量注释。在相应的代码行中给出了PRML书中的参考公式。符号和书是同步的。
实用:包装设计不仅易于阅读,而且易于使用,便于ML研究。这个包中的许多函数已经被广泛使用(参见Matlab文件交换)。
引用作为
莫陈(2021)。模式识别和机器学习工具箱GitHub (https://github.com/PRML/PRMLT)。检索.
MATLAB版本兼容性
平台的兼容性
窗户 macOS Linux标签
确认
启发:变分贝叶斯线性回归,概率线性回归,稀疏编码的变分贝叶斯相关向量机,贝叶斯压缩感知(稀疏编码)和相关向量机,gram - schmidt正交化,卡尔曼滤波与线性动态系统,内核学习工具箱,用于聚类二进制数据的混合伯努利(无监督朴素贝叶斯)EM,演算法,概率主成分分析与因子分析,狄利克雷过程高斯混合模型,对数概率密度函数(PDF),朴素贝叶斯分类器,隐马尔可夫模型工具箱,反向传播训练的MLP神经网络,Logistic回归分类,两两距离矩阵,Kmeans集群,内核Kmeans,高斯混合模型(EM GMM)的EM算法,Kmedoids,归一化互信息,高斯混合模型的变分贝叶斯推理,信息理论的工具箱